📚 课程目录第2章切片方法论基础

切片方法论基础：RFM模型在风控切片中的应用、用户生命周期分层、行为分群逻辑

人群切片的核心在于将同质化用户群体拆解为具有显著风险差异的细分单元。本节聚焦三种最基础的切片方法论：RFM模型、用户生命周期分层与行为分群逻辑。这三种方法分别从价值维度、时间维度与行为维度构建切片框架，是风控策略人员进行精细化评估与复盘的底层工具。

一、RFM模型在风控切片中的应用

RFM模型源自客户关系管理（CRM），在风控场景中经过改造后，用于衡量用户的风险价值与行为活跃度。其核心维度如下：

维度	原始定义	风控改造定义	切片意义
R（Recency）	最近一次消费时间	最近一次借款/还款/逾期时间	识别近期活跃度与风险暴露窗口
F（Frequency）	消费频率	借款次数/还款次数/逾期次数	区分高频低风险与高频高风险用户
M（Monetary）	消费金额	累计借款金额/当前在贷余额/逾期金额	量化用户风险敞口与贡献度

关键提示：在风控切片中，RFM的“M”通常拆分为正向M（还款金额）与负向M（逾期金额），形成双指标交叉切片，以区分“高价值低风险”与“高价值高风险”用户。

RFM模型在风控中的典型切片逻辑为：将每个维度按分位数或业务阈值分为高、中、低三档，形成3×3×3=27个基础切片。实际应用中常简化为R×F或R×M二维矩阵，以降低稀疏性。

    应用案例：某消费金融产品使用R（最近还款天数）与M（当前在贷余额）交叉切片，发现“R≤7天且M>5万”的用户群体逾期率仅为0.8%，而“R>30天且M>5万”的用户逾期率高达12.3%，两者风险差异超过15倍。

二、用户生命周期分层

用户生命周期分层从时间维度将用户划分为不同阶段，每个阶段对应不同的风险特征与策略重点。风控场景下，典型的生命周期分层包括以下五个阶段：

引入期：用户首次注册或首次借款，缺乏历史行为数据，依赖外部征信与规则引擎进行准入判断。
成长期：用户完成1-3次借款并按时还款，信用记录开始积累，可逐步提升额度并引入简易评分卡。
成熟期：用户有稳定借款与还款行为，数据充分，可使用复杂模型（如XGBoost、神经网络）进行精准定价与额度管理。
衰退期：用户借款频率下降或出现逾期征兆，需启动预警机制与催收策略。
流失期：用户长期未借款或已逾期失联，进入催收处置或账户冻结流程。

常见误区：生命周期分层不是静态标签，而是动态流转状态。策略人员需定期（如每月）更新用户所处阶段，避免使用过时的分层结果进行策略决策。

生命周期阶段	典型行为特征	风险等级	推荐策略
引入期	注册≤30天，借款0次	中（信息不对称）	严格准入、小额试单
成长期	借款1-3次，无逾期	低-中	逐步提额、交叉销售
成熟期	借款≥4次，还款稳定	低	额度最大化、差异化定价
衰退期	近60天无借款或还款延迟	中-高	降额、触发预警、人工干预
流失期	近90天无任何行为	高	催收、冻结、注销

三、行为分群逻辑

行为分群逻辑基于用户的实际操作序列进行聚类，不依赖预设标签。常见的行为分群维度包括：

借款行为：借款金额分布、借款时间间隔、借款渠道偏好。
还款行为：还款方式（主动/代扣）、还款准时率、提前还款倾向。
交互行为：APP登录频率、客服咨询次数、额度使用率。
逾期行为：逾期天数分布、逾期金额梯度、催收响应率。

行为分群通常采用K-Means聚类或层次聚类算法，将用户划分为3-6个行为群组。每个群组内部行为模式高度相似，群组之间差异显著。

    实战案例：某平台对10万用户进行行为聚类，得到4个核心群组：

    群组A（35%）：“规律还款型”——每月固定日期借款，还款准时率98%，风险最低。

    群组B（28%）：“试探借款型”——首次借款金额小，后续逐步增大，需关注额度使用率。

    群组C（22%）：“多头借贷型”——同时使用3个以上平台，借款间隔短，风险较高。

    群组D（15%）：“逾期惯性型”——每次还款均有1-3天延迟，催收响应慢，需前置干预。

四、三种方法的融合应用

在实际风控切片中，RFM模型、生命周期分层与行为分群并非孤立使用，而是形成三层递进式切片架构：

切片层级	方法	输出结果	策略用途
第一层	RFM模型	价值-风险二维矩阵（如9宫格）	快速筛选优质与高风险用户
第二层	生命周期分层	5个阶段标签	确定策略时效性与干预时机
第三层	行为分群	3-6个行为群组	定制差异化策略动作

最佳实践：建议先使用RFM模型进行粗粒度切片（如将用户分为9类），再对每类用户叠加生命周期分层，最后在相同生命周期阶段内进行行为分群。这种“先粗后细”的切片策略可有效避免维度爆炸，同时保证每个切片具有足够的样本量支撑统计显著性。